Phân loại và chấm điểm tín dụng ngân hàng sử dụng các kỹ thuật Machine Learning trên nền tảng Big Data

Từ khóa: Dữ liệu lớn, máy học, tài trợ cộng đồng, chấm điểm rủi ro tín dụng, cho vay ngang hàng.
 

1. Đặt vấn đề
 

Giám sát rủi ro thanh khoản và tín dụng là một trong những vấn đề chính trong hoạt động ngân hàng. Rủi ro thanh khoản do đầu tư thiếu tính thị trường, khi tài sản cơ bản không thể được mua hoặc bán đủ nhanh để phòng ngừa hoặc giảm thiểu tổn thất. Rủi ro tín dụng xảy ra do việc nắm giữ trái phiếu, hay bất kỳ sự chậm trễ nào trong việc thanh toán khoản đi vay khi đến hạn là một trong những mối quan tâm chính của các nhà đầu tư. Do đó, họ muốn phân tích tín dụng trước khi phê duyệt bất kỳ khoản vay nào, đồng thời đánh giá được khả năng rủi ro vỡ nợ của một người đi vay.
 

Điểm tín dụng cho người đi vay là con số dựa trên thông tin trong hồ sơ tín dụng của người nộp đơn, ngụ ý xác suất người đi vay hoàn trả. Về mặt lý thuyết, một người đi vay tiềm năng có số điểm càng cao thì rủi ro vỡ nợ của người đó càng ít. Điểm tín dụng được phát triển bởi một công ty phầm mềm phân tích lớn cung cấp sản phẩm và dịch vụ cho cả doanh nghiệp và người tiêu dùng có tên là Fair Isaac Corporation vào những năm 1950 được gọi là điểm FICO. Điểm FICO nằm trong khoảng từ 300 đến 850 hoặc 250 đến 900, tùy thuộc vào mô hình chấm điểm và dựa trên một số yếu tố, bao gồm lịch sử thanh toán, số dư tài khoản, loại tín dụng được sử dụng, độ dài của lịch sử tín dụng và các đơn đăng ký tín dụng mới. Tùy thuộc vào cách một cá nhân thay đổi, xử lý các hóa đơn và tài khoản tín dụng, điểm FICO sẽ thay đổi tương ứng.
 

Trong các mô hình trước đây, các yếu tố như thu nhập, độ tuổi, vị trí cư trú, nghề nghiệp hoặc lịch sử việc làm của người nộp đơn không ảnh hưởng quá nhiều, nhưng trong giai đoạn phát triển của dữ liệu lớn, tất cả những yếu tố này và các hoạt động truyền thông xã hội, mô hình mua sắm, nhiều thông tin khác được sử dụng để chấm điểm tín dụng. Mục tiêu cuối cùng của phân tích tín dụng là xem xét nguồn lực tài chính của người nộp đơn và khả năng của người đó có thể đáp ứng các tiêu chí đánh giá. Xếp hạng tín dụng tác động đến lãi suất mà người vay phải trả khi đăng ký khoản vay trên nền tảng P2P, người vay càng có nhiều rủi ro thì mức lãi suất phải chịu càng cao.

 

2. Cho vay P2P
 

Vào những năm 1960, khi thẻ tín dụng được sử dụng rộng rãi, nhân viên tại các ngân hàng bắt đầu sử dụng cách chấm điểm tín dụng bằng cách ứng dụng các phương pháp thống kê cho một loạt thông tin định lượng như lịch sử thanh toán, thu nhập... Khi đó, tính điểm tín dụng là việc sử dụng các mô hình phân tích, tổng hợp để chuyển đổi dữ liệu có liên quan thành điểm số bằng cách mô tả xác suất vỡ nợ của người đi vay tiềm năng. Với cách thiết lập quan hệ lâu dài với khách hàng vay, nhân viên đưa ra quyết định cho vay chủ yếu dựa trên thông tin chủ quan như sự trung thực, năng lực hoặc độ tin cậy, còn các yếu tố khách quan như báo cáo thu nhập hoặc bảng cân đối kế toán, có thể định lượng và kiểm chứng được. Với dữ liệu cứng trong tay, các công ty chấm điểm tín dụng có thể khắc phục được vấn đề bất cân xứng thông tin giữa nhà đầu tư và người đi vay.
 

Có rất nhiều Fintech cung cấp dịch vụ cho vay P2P như Lending Club, Zopa, Prosper và Peerform, Tala... Nói chung, nền tảng cho vay P2P hoạt động như sau: Một người vay tiềm năng đăng ký một khoản vay, nền tảng cho vay thực hiện chấm điểm tín dụng dựa trên dữ liệu do người đi vay cung cấp. Nếu người đi vay không đáp ứng các tiêu chí nhất định, đơn đăng ký sẽ bị từ chối, còn khi được chấp thuận, một mức lãi suất được ấn định cho người vay theo điểm tín dụng của họ. Nếu người đi vay không chấp nhận lãi suất phát sinh, hoặc khoản vay bị từ chối, người vay được yêu cầu cung cấp thêm thông tin để đánh giá mới. Nếu người đi vay chấp nhận lãi suất phát sinh, khoản vay sẽ được thêm vào nền tảng trực tuyến và được tài trợ bởi một số nhà đầu tư. Mối quan tâm chính trong quá trình này là đánh giá sự tin cậy của các nền tảng cho vay.
 

Đã có nhiều phương pháp, thuật toán để chấm điểm tín dụng và phân loại các khoản vay. Trong số đó, hồi quy logistic (Logistic Regression) và rừng ngẫu nhiên (Random Forest) - một phương pháp học máy (Machine Learning) tổng hợp để phân loại, hồi quy và các nhiệm vụ khác được sử dụng làm thuật toán phổ biến.
 

Xu hướng chấm điểm tín dụng mới sử dụng tất cả các yếu tố, gồm cả dữ liệu thay thế, nằm ngoài phạm vi của phương pháp tính điểm truyền thống. Ví dụ, chất lượng tín dụng của bạn bè người đi vay không chỉ cải thiện sự thành công trong việc huy động vốn và phê duyệt khoản vay, mà còn liên quan đến tỷ lệ vỡ nợ và lãi suất, mối quan hệ tích cực giữa khả năng vỡ nợ của một người bạn và xác suất vỡ nợ của một người đi vay luôn tồn tại, hay từ phương tiện truyền thông xã hội, các công cụ khai thác cũng được sử dụng để phân tích, đánh giá, mục đích vay cũng là một yếu tố quyết định khả năng vỡ nợ. Nền tảng huy động vốn cộng đồng (một thuật ngữ chung cũng bao gồm cho vay P2P) là một công cụ tự đánh giá cần thiết cho những cá nhân đang xem xét đơn đăng ký vay từ các nền tảng trực tuyến.

 

3. Hiệu quả của các kỹ thuật Machine Learning trong phân loại và chấm điểm tín dụng ngân hàng
 

Phương pháp phân loại Machine Learning hồi quy logistic, rừng ngẫu nhiên và cây quyết định (Decision Tree - một trong những phương pháp tiếp cận mô hình dự đoán được sử dụng trong thống kê, khai thác dữ liệu và Machine Learning để kết luận về giá trị mục tiêu của mặt hàng đó) trên hệ thống tệp phân tán Hadoop (HDFS). 
 

Điểm tín dụng truyền thống thường dễ dàng hơn để giải thích một khách hàng sẽ được tính điểm tín dụng như thế nào và cách quản lý mỗi khách hàng là tương tự nhau. 
 

Các mô hình Machine Learning chấm điểm tín dụng dựa trên trí tuệ nhân tạo (AI) kết hợp giữa lịch sử tín dụng của khách hàng và tiềm năng của Big Data. Sử dụng một nguồn lớn các thông tin được khai thác từ AI để cải thiện các quyết định tín dụng và mang lại sự thật ngầm hiểu tốt hơn so với một chuyên gia phân tích là con người.
 

Rủi ro tín dụng vẫn là một trong những thử thách tài chính lớn nhất trong hoạt động ngân hàng. Hiện tại, các tổ chức tài chính vẫn chưa hoàn toàn tối ưu hóa được khả năng dự đoán của rủi ro số hóa. Theo như báo cáo từ McKinsey & Company (một công ty tư vấn quản lý toàn cầu) cho thấy rằng, Machine Learning có thể giảm thâm hụt tín dụng lên tới 10%, với hơn một nửa các nhà quản lý tín dụng kỳ vọng rằng thời gian xử lý tín dụng sẽ giảm khoảng 25 tới 50%.
 

Các mô hình truyền thống thường tập trung vào tài chính của bên vay, phân loại khách hàng dựa trên các thông số, lịch sử chi trả và nhiều cân nhắc khác. Điều này khiến các viện tài chính dễ dàng hơn khi làm rõ mối quan hệ giữa hành vi người tiêu dùng và điểm tín dụng. Tuy nhiên, việc người tiêu dùng sử dụng tiền, tiết kiệm và cho vay đang thay đổi, và công nghệ cũng vậy. Với Machine Learning, các ngân hàng và tổ chức tài chính đã có thể áp dụng khoa học thay vì dự đoán. Các viện tài chính lớn đã sử dụng AI để phát hiện và ngăn ngừa các giao dịch giả trong nhiều năm nay.
 

Mô hình chấm điểm theo AI kết hợp lịch sử tín dụng của khách hàng và sức mạnh của Big Data, sử dụng một lượng lớn các nguồn lực để tăng khả năng xét duyệt tín dụng và thường đạt được kết quả chính xác hơn so với các nhà phân tích thông thường. Các ngân hàng có thể phân tích lượng dữ liệu lớn hơn - cả tài chính lẫn phi tài chính - bằng cách chạy kết hợp các thông tin nhằm dự đoán sự tương tác của các biến.
 

Xây dựng một hệ thống rủi ro tín dụng phân tầng: Mô hình Proof of Concept  cho thấy chấm điểm tín dụng dựa trên AI của Tập đoàn Intel (Hoa Kỳ) có thể giúp các ngân hàng tăng khả năng của Machine Learning và phân tích dữ liệu. Sử dụng thư viện tối ưu của Intel trong bộ vi xử lý Intel® Xeon® Gold 6128 giúp các ứng dụng Machine Learning có thể dự đoán nhanh hơn khi chạy tập dữ liệu tín dụng của người Đức chứa hơn 1.000 hồ sơ vay tín dụng. Hệ thống này gồm các bước và các thành phần chính sau:
 

- Dataset analysis: Là sự bắt đầu của việc khai thác dữ liệu, bao gồm cả phân tích và xác định các biến.
 

- Pre-processing: Việc tiền xử lý nhằm chuyển hóa dữ liệu trước khi đưa vào thuật toán. Trong trường hợp này, nó sẽ bao gồm việc chuyển đổi các biến nhóm sang biến số bằng nhiều công nghệ khác nhau.
 

- Feature selection: Trong bước này, mục tiêu là để loại bỏ các tính năng không liên quan gây tăng thời gian xử lý. Điều này có thể thực hiện bằng Random Forest hoặc thuật toán Xgboost (thư viện phần mềm mã nguồn mở cung cấp một khuôn khổ tăng độ dốc đều đặn cho C++, Java, Python, R, Julia, Perl và Scala, hoạt động trên Linux, Windows và macOS).
 

- Data split: Dữ liệu sau đó được tích thành các chuỗi và thử nghiệm các tập cho các phân tích sâu hơn.
 

- Model building: Mô hình Machine Learning được chọn cho đào tạo (training).
 

- Prediction: Trong giai đoạn này, mô hình được đào tạo dự báo về kết quả của dữ liệu nạp vào dựa trên những gì đã học.
 

- Evaluation: Để tính toán độ hiệu quả, nhiều tiêu chuẩn đánh giá khác nhau có thể được dùng như độ chính xác, Precision-Recall.
 

Nhiều tổ chức tài chính sử dụng các mô hình chấm điểm tín dụng để giảm rủi ro trong đánh giá tín dụng cũng như trong việc cấp và giám sát tín dụng. Các mô hình chấm điểm tín dụng dựa trên các lý thuyết thống kê cổ điển được sử dụng rộng rãi. Tuy nhiên, các mô hình này không dùng được khi có số lượng lớn dữ liệu đầu vào. Điều này ảnh hưởng đến tính chính xác của dự báo dựa trên mô hình. Theo nhiều nghiên cứu thực nghiệm, các kỹ thuật Machine Learning cùng với các thuật toán khai thác dữ liệu (Data Mining) khác dựa trên cách tính toán và chuyển đổi kiểu mới hoạt động tốt hơn cho mục đích dự báo. Các thuật toán Machine Learning được thiết kế để học từ một lượng lớn dữ liệu lịch sử và sau đó tính toán ra kết quả dự báo. Quá trình kinh doanh điển hình cho việc cung cấp dịch vụ cho vay là: Nhận các hồ sơ vay vốn, đánh giá rủi ro tín dụng, ra quyết định về việc cho vay và giám sát việc hoàn trả vốn gốc và lãi. Trong quá trình đó, các vấn đề có thể xảy ra, chẳng hạn như làm thế nào để đẩy nhanh tiến trình thẩm định tín dụng và làm thế nào để giám sát quá trình hoàn trả và thực hiện can thiệp kịp thời khi khả năng vỡ nợ xuất hiện. Để giải quyết hai vấn đề này, có thể xây dựng hai mô hình trong hai tiến trình khởi tạo vốn vay và tiến trình giám sát:
 

- Trong quá trình khởi tạo: Đối tượng cần kiểm tra bao gồm tất cả các ứng viên nộp đơn xin vay vốn. Mô hình có thể được sử dụng để phân tích thông qua dữ liệu lịch sử của các hồ sơ đăng ký vay vốn, qua đó, đánh giá liệu một ứng viên mới có đủ tin cậy để được vay hay không nếu các chỉ tiêu đặc trưng của người nộp đơn được cung cấp, như thu nhập, tình trạng hôn nhân, tuổi, lịch sử tín dụng (chẳng hạn đã từng nợ xấu hay chưa...).
 

- Trong quá trình giám sát: Hệ thống kiểm tra dữ liệu của người được duyệt vay vốn. Bằng cách sử dụng dữ liệu lịch sử hồ sơ hoàn trả và trạng thái đặc điểm của khách hàng đã hoàn thành toàn bộ quá trình vay vốn, chúng ta có thể đào tạo mô hình khác để đưa ra dự kiến về việc liệu khách hàng này có xác suất lớn hay không khả năng vỡ nợ; bằng cách quan sát hồ sơ hoàn trả của người nộp đơn cho một vài giai đoạn hoàn vốn đầu tiên và thay đổi các đặc tính, mô hình này sẽ giúp tạo ra các điều chỉnh mới dựa trên thông tin cập nhật. Quy trình tự động này hiệu quả hơn về thời gian xử lý cũng như tính chính xác so với cách làm truyền thống.
 

Có rất nhiều thuật toán Machine Learning, tính hiệu quả của các thuật toán phụ thuộc vào dữ liệu và cấu trúc dữ liệu cụ thể. Cách chung để tìm một mô hình thích hợp cho một bộ dữ liệu cụ thể hoặc một loại tập dữ liệu là áp dụng thuật toán đã được sử dụng rộng rãi và đã được kiểm chứng. Hai tiến trình trên có các mô hình khác nhau. Tiến trình giám sát hoàn trả tương tự như tiến trình cấp vốn vay, nhưng nó được học và đúc rút ra từ các dữ liệu lịch sử khác nhau, cụ thể là từ khách hàng cũ đã hoàn thành việc trả nợ, bao gồm toàn bộ lịch sử hồ sơ thanh toán và các đặc điểm của khách hàng. Một thuật toán Machine Learning khác có thể được ứng dụng để phù hợp tương ứng với các thay đổi của cấu trúc dữ liệu. Ngày nay, các thuật toán Machine Learning hay được sử dụng nhất có thể được phân loại đơn hoặc phân loại toàn bộ. Các đại diện của các thuật toán phân loại đơn là CART, Naive Bayes, SVM, Logistics. Việc sửa đổi các bộ phân loại đơn, nhiều mô hình cùng học để giải quyết cùng một vấn đề, được sử dụng rộng rãi, chẳng hạn như Random Forests, CART-Adaboost... Về cơ bản, Machine Learning cũng giống như việc dạy kiến thức tài chính cho người học mới dựa trên số liệu lịch sử để thực hiện xác định chất lượng của khoản vay, sau đó họ sẽ có kinh nghiệm để tự quyết định. Trong lĩnh vực ngân hàng, bảo hiểm, dựa trên Machine Learning có thể phát triển các ứng dụng, bao gồm chấm điểm tín dụng (Credit Score), phân tích rủi ro (Risk Analytics), phát hiện gian lận (Fraud Detection), bán chéo (Cross-Sell).
 

Ứng dụng AI vào quy trình chấm điểm tín dụng tuy đã phổ biến trên thế giới nhưng là một lĩnh vực mới tại Việt Nam. Khảo sát từ McKinsey & Company tại khu vực châu Âu, châu Á và Bắc Mỹ cho thấy, hàng loạt ngân hàng đã ứng dụng AI để đưa ra quyết định cho vay chỉ trong 5 phút, giải ngân chưa đến 24 giờ. Trong khi đó, quy trình cho vay, đơn cử với doanh nghiệp vừa và nhỏ phải được xét duyệt trong 3 - 5 tuần, chờ giải ngân gần ba tháng.
 

Công nghệ này có thể tạo bước ngoặt lớn cho ngành tài chính - ngân hàng là do lượng lớn dữ liệu phi truyền thống được đưa vào để phân tích, đánh giá. Thông thường, để xác định mức độ an toàn tín dụng của bên đi vay hoặc người mở thẻ, ngân hàng thường dựa vào dữ liệu thể hiện trực tiếp khả năng tài chính của khách hàng, bao gồm hợp đồng lao động, sao kê lương, lịch sử tín dụng được ghi nhận trên các trung tâm thông tin tín dụng của nhà nước hoặc tư nhân (gọi chung là CIC). Tuy nhiên, các phương pháp này còn nhiều hạn chế. Những người chưa từng đi vay, chưa từng mở thẻ sẽ không có lịch sử tín dụng. Đồng thời, trong nhiều lĩnh vực, người mở thẻ không có hợp đồng lao động, sao kê lương phản ánh đúng thu nhập thực tế... Kể cả đối với những người đã đi vay, sau nhiều năm hoàn cảnh tài chính cá nhân của khách hàng cũng đã thay đổi, thông tin ghi nhận trên CIC không còn cập nhật. Trong khi đó, với phương pháp chấm điểm tín dụng sử dụng Big Data và AI, tất cả dữ liệu đều có giá trị. Chẳng hạn, dữ liệu hành vi, thói quen mua sắm trực tuyến, viễn thông, thanh toán các loại cước phí, thậm chí dữ liệu sức khỏe... Dù một khách hàng không có bất kỳ khoản vay ngân hàng nào nhưng họ vẫn có nhiều khoản khác cần thanh toán hằng tháng. Việc trả tiền đúng hẹn có thể phần nào xác định mức độ an toàn tín dụng của khách hàng. Ví dụ, thanh toán hóa đơn di động trả sau đúng định kỳ, nhân viên văn phòng thanh toán theo đúng yêu cầu các hóa đơn tiền điện, nước, Internet hay tiện ích khác. Khả năng chi tiêu trực tuyến... cũng tạo nên những thước đo mới. Những dữ liệu như vậy có thể cung cấp thông tin quan trọng về cách mọi người xử lý nghĩa vụ tài chính của mình, cách họ tôn trọng kỷ luật trong việc thanh toán đúng hạn. Đây chính là con đường tạo ra nguồn dữ liệu thay thế cho các ngân hàng trong việc đánh giá uy tín người dùng.
 

Giới chuyên gia tài chính đánh giá dữ liệu thay thế có khả năng hỗ trợ tốt trong đánh giá rủi ro tín dụng vì nó có độ phủ rộng. Việc kết nối thông tin từ các giao dịch kỹ thuật số mà khách hàng tham gia hằng ngày và xử lý dữ liệu bằng công nghệ mới tạo ra cơ chế giám sát hữu hiệu bổ sung cho các phương pháp đánh giá rủi ro tín dụng truyền thống. Với khối lượng dữ liệu cực lớn đặt ra thách thức không nhỏ trong việc phân tích để đưa ra kết quả nhanh chóng, chính xác và hữu ích. Khi đó, chỉ có công nghệ Machine Learning và AI mới đủ khả năng xử lý nguồn thông tin khổng lồ này. Nó có khả năng khám phá xu hướng hành vi và mô hình mua hàng của khách hàng. Tất cả các giao dịch khác nhau của họ như mua hàng tạp hóa, thanh toán hóa đơn tiện ích, chuyển tiền cho gia đình và bạn bè, mua vé xem phim... đều có thể được kết hợp để cung cấp cái nhìn toàn diện về hành vi tài chính và khả năng trả nợ.
 

Dữ liệu thay thế có khả năng giải quyết một số thách thức mà ngành Ngân hàng phải đối mặt. Các thuật toán, khoa học dữ liệu và AI sẽ thúc đẩy sự phát triển của dữ liệu thay thế, khuyến khích tổ chức, cá nhân tham gia và cải thiện điểm tín dụng của họ, kiểm tra các hoạt động gian lận và thúc đẩy cho vay thông minh.
 

Theo truyền thống, các ngân hàng sẽ đánh giá rủi ro tín dụng với những người chưa bao giờ đi vay bằng cách yêu cầu nộp thêm nhiều giấy tờ liên quan đến thu nhập có chứng nhận của bên thứ ba như hợp đồng lao động, sao kê bảng lương... càng thiếu thông tin thì người đi vay sẽ càng phải nộp nhiều thứ giấy tờ để chứng minh khả năng trả nợ của mình. Điều này khiến cho mô hình truyền thống trở nên dễ dàng hơn cho các định chế tài chính thể hiện mối quan hệ rõ ràng giữa khách hàng và chấm điểm tín dụng. Tuy nhiên, quy trình thủ công đòi hỏi nhiều thời gian, công sức xác minh, lưu trữ tài liệu... Trong xu hướng phát triển mảng bán lẻ của thị trường ngân hàng nhiều năm trở lại đây, phục vụ khách hàng sẽ phải xác minh một lượng thông tin người dùng rất lớn. Theo đó, quy trình mở thẻ tín dụng có thể kéo dài đến một tuần để gặp gỡ, tư vấn, thu thập giấy tờ, chứng minh tài chính, cung cấp hồ sơ và phát hành. Thẻ đến tay người dùng mất một tuần đến 10 ngày. Với thành công của dự án ứng dụng Big Data và AI vào quy trình duyệt hạn mức thẻ tín dụng, chỉ với thiết bị di động khách hàng điền thông tin cơ bản, sau đó nhận phê duyệt hạn mức thẻ nhanh nhất, đơn giản nhất có thể.
 

Big Data và AI đóng vai trò tiên phong trong việc phổ cập tài chính số. Bên cạnh giúp tìm hiểu khách hàng, Big Data còn giảm chi phí khoản vay, từ đó có thể mở rộng phạm vi kinh doanh. Ngoài ra, nó cũng tuân thủ quy định của Liên minh châu Âu về bảo vệ dữ liệu và quyền riêng tư cho tất cả các cá nhân, đảm bảo yếu tố bảo mật nhân thân và quyền riêng tư của người tiêu dùng. Khi công nghệ này được ứng dụng rộng rãi sẽ là một bước tiến mang tính cách mạng của hệ thống ngân hàng, giúp ngân hàng tối ưu hóa quy trình hoạt động, kiểm soát rủi ro hiệu quả hơn, gia tăng trải nghiệm khách hàng và thúc đẩy tài chính toàn diện, giúp ngày càng nhiều người tiếp cận sản phẩm, dịch vụ của ngân hàng.
 

Thời đại kinh tế số 4.0, cho vay kết hợp AI, Machine Learning và Blockchain. Mặc dù cho vay kỹ thuật số thay thế vẫn còn ở giai đoạn sơ khai, nhưng nó đã tạo được dấu ấn lớn trong ngành cho vay tiêu dùng. Một cuộc khảo sát được thực hiện bởi Hiệp hội Ngân hàng Hoa Kỳ công bố rằng, khối lượng cho vay có nguồn gốc từ các nền tảng cho vay kỹ thuật số tăng lên 90 tỷ USD vào năm 2020 tại Mỹ, chiếm khoảng 10% tổng thị trường cho vay. Lý do cho sự phổ biến ngày càng tăng của cho vay nền tảng số này là việc xử lý các ứng dụng cho vay không rắc rối và nhanh chóng hơn so với quy trình khá rườm rà, thiếu minh bạch và dự đoán trong lĩnh vực cho vay truyền thống. Lĩnh vực cho vay Fintech sử dụng nhiều công nghệ kỹ thuật số như AI, Machine Learning và công nghệ Blockchain để đi đầu trong cuộc đua vũ khí công nghệ. Những công nghệ này đang được chứng minh là then chốt trong việc xác định ngành công nghiệp cho vay sẽ được định hình lại như thế nào trong thập kỷ tới. Tài liệu cho vay từng là một quy trình cồng kềnh, nhưng hiện tại, các nhà tài chính sử dụng AI làm cho quá trình không chỉ nhanh hơn mà còn không bị lỗi và an toàn. AI hoạt động song song với các thuật toán Machine Learning để đánh dấu sự xứng đáng tín dụng của một cá nhân. AI có thể xử lý các ứng dụng trong vòng vài giây, làm cho quá trình phê duyệt thực sự có thể mở rộng. Điều này cũng làm giảm cơ hội cho vay mặc định và rủi ro cao hơn vì nó đánh giá dữ liệu thị trường để phân loại các khoản vay có cơ hội vỡ nợ cao hơn. Do đó, AI làm cho quá trình cho vay nhanh chóng và hiệu quả, cắt giảm cả chi phí cũng như nhân lực.
 

AI cũng giúp các công ty tinh chỉnh hệ thống của họ và do đó, ngăn chặn chúng khỏi tin tặc và các cuộc tấn công mạng. Hơn nữa, các thuật toán AI có khả năng tự động xác định dữ liệu cần thiết và tách biệt nó khỏi phần lớn thông tin. AI là một yếu tố quyết định quan trọng không chỉ trong cho vay số mà còn trong ngân hàng thương mại và tiêu dùng truyền thống.
 

Machine Learning thường được kết hợp với AI nhưng đã phát triển để đảm bảo sự chú ý của cá nhân ở các cấp độ cấp cao (các cấp điều hành như CEO, CFO, COO...). Nó không chỉ trao quyền tự động hóa xử lý khoản vay mà còn là bí mật về cách thuật toán tín dụng trở nên tốt hơn khi sử dụng dữ liệu. Các thuật toán Machine Learning thu thập dữ liệu ở quy mô lớn, hợp nhất dữ liệu này và xác định các mẫu trong dữ liệu này từ lịch sử cho vay. Dựa trên các mô hình này, nó đánh giá liệu người vay có đủ độ tin cậy hay không và điều chỉnh quá trình ra quyết định cho vay. Vì vậy, AI có thể đưa ra quyết định tín dụng ở quy mô lớn và chính Machine Learning giúp cải thiện thuật toán của mình, đồng thời đảm bảo đi trước trong việc hiểu các mẫu tín dụng và thị trường. Ứng dụng của nó bao gồm từ các mô hình tín dụng, xác định các gian lận để nhằm mục tiêu tiếp thị và thiết lập tỷ lệ.
 

Xây dựng trên sổ cái phân tán, Blockchain làm cho quá trình cho vay phi tập trung và không tin cậy. Mục đích của việc giới thiệu cho vay P2P trên Blockchain rất đa dạng. Nó có thể giúp thiết lập mối quan hệ trực tiếp giữa người cho vay và người đi vay bằng cách loại bỏ người trung gian khỏi quy trình. Trên nền tảng Blockchain, người cho vay có thể dễ dàng chuyển tiền cho người vay bằng cách chuyển quyền sở hữu tài sản của mình bằng các hợp đồng thông minh. Toàn bộ giao dịch cho vay có thể được chạy trên Blockchain và được thực hiện mặc dù không cần bất kỳ cơ quan trung gian nào. Nó có thể token hóa (chuyển đổi các loại tài sản thành dạng kỹ thuật số), chứng khoán hóa các khoản vay thành tài sản vi mô giao dịch được bằng cách chia chúng thành các đơn vị như cổ phiếu. Blockchain có thể mở rộng quy mô này để thu hút đầu tư bởi ngay cả các nhà đầu tư nhỏ lẻ. Một thị trường hoạt động cho khoản vay thị trường sẽ tạo ra thanh khoản và khả năng khám phá giá tốt hơn.
 

Theo nghiên cứu của công ty kiểm toán KPMG, tự động hóa quá trình Robot có thể cắt giảm 75% chi phí trong các dịch vụ tài chính. Hầu như mọi người cho vay Fintech đều tận dụng AI và Machine Learning để cho vay. Những tập đoàn lớn như Upstart, Amazon Lending và Avant đang đầu tư hàng triệu USD để tích hợp AI và Machine Learning cho quy trình đăng ký vay của họ. Việc tích hợp bắt đầu ngay từ lần đầu tiên trên trang web của người vay để giải ngân và hoàn trả khoản vay cuối cùng. Dữ liệu đang được sử dụng để phân tích và tạo ra các mô hình cho người cho vay một lợi thế trong việc cho vay và định giá các khoản vay.
 

Hiện tại, hoạt động cho vay ứng dụng Blockchain còn hạn chế, nhưng các dự án thí điểm đang diễn ra trong JP Morgan và Goldman Sachs cùng với một loạt các công ty cho vay khởi nghiệp để thúc đẩy giá trị và quy mô từ sự phân cấp và hợp đồng thông minh do ứng dụng công nghệ đem lại. Dự án Spring Network, Gem và CULedger có trụ sở tại Hoa Kỳ đều nhằm mục tiêu Blockchain như một giải pháp để trao đổi dữ liệu người vay cá nhân quan trọng nhưng ẩn danh. Điều này sẽ loại trừ khả năng xảy ra vụ tấn công tài khoản ngân hàng như vụ tấn công dữ liệu ngân hàng Equachus năm 2017, nơi hàng triệu người vay đã bị đánh cắp dữ liệu cá nhân của họ.
 

4. Kết luận
 

AI, Machine Learning và Blockchain là những công nghệ mang tính cách mạng, đang phá vỡ các ngành công nghiệp truyền thống trong tất cả các lĩnh vực, trong đó có ngành tài chính - ngân hàng. AI và Machine Learning hiện là những công nghệ chủ đạo để cho vay kỹ thuật số và nó còn một chặng đường dài phát triển và hoàn thiện. Ứng dụng Big Data và AI được sử dụng nhiều trong hoạt động tín dụng của các ngân hàng, hiện đang được thể hiện ở các nội dung sau: Phân tích hành vi khách hàng; phân khúc khách hàng và thẩm định hồ sơ; phát hiện và ngăn chặn hành vi lừa đảo, vi phạm pháp luật; nâng cao chất lượng dịch vụ, hiệu quả làm việc của nhân viên.
 

Để có thể khai thác được những lợi ích mà Big Data và AI mang lại như phân tích ở trên thì các ngân hàng cần nhận thức được tầm quan trọng của dữ liệu trong quá trình thẩm định tín dụng; xây dựng quy trình phù hợp với dữ liệu đầu vào phục vụ cho việc sử dụng dữ liệu; đảm bảo được nguồn nhân lực am hiểu về lĩnh vực Big Data và AI.